标题和作者

文章标题为《英伟达GTC现场的隐形AI巨头：老黄机器人demo背后都是它》，作者为衡宇，发布于量子位。文章聚焦于2026年英伟达GTC大会的热点，揭示了在Physical AI（物理AI）爆发期，一家名为“光轮智能”的具身智能独角兽如何成为行业生态中不可或缺的基础设施提供者。文章不仅梳理了Physical AI的发展脉络，还深入剖析了光轮智能在仿真、数据及评测领域的核心地位，特别是其参与定义行业技术标准（如加入Newton项目）的独特视角。

摘要

本文主要介绍了光轮智能在2026年英伟达GTC大会上的高调亮相及其在Physical AI领域的核心作用。在此之前，AI的发展主要集中在感知和生成阶段，而Physical AI作为第三阶段，旨在让AI从屏幕走向现实。由于现实世界中机器人训练成本高、风险大，行业急需高精度的仿真与数据基础设施，光轮智能正是填补这一空缺的关键玩家。文章详细阐述了光轮智能如何通过提供物理仿真、合成数据生成及工业级评测体系，构建完整的Physical AI底座，并已获得国际主要具身智能团队超过80%的仿真资产采用。本文旨在揭示Physical AI时代竞争焦点的转移，即从“模型层”下沉到“基础设施层”。

术语解释：

  • Physical AI（物理AI）： AI发展的第三阶段，指AI不仅要理解世界（感知与生成），还要像人一样进入物理世界执行任务。
  • 具身智能： 指具备身体感知和行动能力的智能系统，通常指机器人。
  • Sim2Real（仿真到现实）： 指将模型在仿真环境中训练好后，迁移到真实物理世界中运行的技术过程。
  • 数字孪生： 在数字世界中构建与物理实体完全对应的虚拟模型，用于模拟和测试。

主要主题和概念

主题一：Physical AI时代的到来与仿真的必要性

  • What（是什么）： AI技术正在经历从感知到生成，再到Physical AI的演进。Physical AI的核心在于让AI实体化，真正进入现实世界执行任务。
  • Why（为什么）： 在现实世界中训练机器人成本极高、风险巨大且速度缓慢。例如，让机器人学习拧螺丝需要无数次试错。因此，必须在仿真环境（数字孪生）中进行“先训练、再落地”。
  • How（怎么做）： 构建高精度的物理仿真环境，在虚拟世界中生成无限场景、测试策略，积累行为数据，然后将训练好的模型下载到实体机器人上。

主题二：光轮智能的“隐形”霸主地位与标准制定

  • What（是什么）： 光轮智能是一家不造机器人本体也不做大模型的Infra（基础设施）公司，它是Physical AI数据与仿真基础设施的提供者。
  • Why（为什么）： 仅仅使用仿真引擎是不够的，缺乏真实物理参数校准的仿真无法迁移到现实。行业需要统一的物理规则和标准，而光轮智能通过提供物理测量、参数校准和闭环评测，成为行业标准的制定者。
  • How（怎么做）： 光轮智能加入了NVIDIA、Google DeepMind等巨头联合发起的Newton物理仿真引擎的技术指导委员会（TSC），参与核心决策。同时，他们推出了“World（世界构建）-Behavior（行为数据）-Eval（评测）”三位一体的完整系统。

主题三：从“堆料”到“基建”的竞争格局转移

  • What（是什么）： Physical AI时代的竞争焦点已从拥有最好的大模型，转变为拥有最好的训练场（仿真、数据、评测）。
  • Why（为什么）： 即使拥有最强大的模型，如果机器人无法准确感知物理世界（如分不清桌子和墙、捏碎鸡蛋），它也无法走出实验室。基础设施的扎实程度决定了行业上限。
  • How（怎么做）： 光轮智能通过举办六场演讲、构建生态网络（如GTC期间的Party），连接仿真、模型、机器人与应用多方，构建出围绕其展开的行业生态网络。

术语解释：

  • Newton： NVIDIA、Google DeepMind、Disney Research联合发起的开源物理仿真引擎，是顶级开源项目。
  • TSC（Technical Steering Committee）： 技术指导委员会，负责制定技术路线和决策核心技术标准。
  • RoboFinals： 业内首个具备工业级标准、支持前沿大模型的仿真评测平台。
  • 物理测量工厂： 通过机械臂精确施加可控外力，对不同材质进行物理特性测量的设施。

重要引文

论点
决定Physical AI行业上限的不再是模型本身，而是仿真、数据与评测验证的基础设施。Physical AI的竞争主战场已经从“模型层”下沉到了“基础设施层”。

论据

  1. AI发展的三阶段论：感知（人脸识别、语音助手）-> 生成（ChatGPT、Midjourney）-> Physical AI（进入现实世界）。
  2. 现实训练的局限性：机器人分不清触感、无法掌握力度，如果在现实中摔几千次跤成本太高。
  3. 行业采用数据：国际主要具身智能团队中超过80%的仿真资产与仿真合成数据来自光轮智能。

论证
文章首先通过AI进化的逻辑，论证了Physical AI是必然趋势，并指出现实世界的试错成本限制了发展，从而引出仿真环境的必要性。接着，文章指出决定物理AI能力的核心变量从模型本身转移到了底层的训练场——即仿真精度、数据规模和评测标准。最后，通过引用光轮智能在行业中的高渗透率（80%数据来源）这一具体事实，有力地支撑了“基础设施层”正在成为竞争主战场的论点。

术语解释：

  • 数字孪生： 指在数字空间中创建物理世界的虚拟副本，用于模拟、分析和优化，是Physical AI训练的基础环境。

总结

GTC 2026不仅是一场技术盛会，更是Physical AI从概念走向产业的分水岭。光轮智能在此次大会上的表现，标志着“基础设施层”正在崛起并重新定义行业规则。与传统AI公司不同，光轮智能通过加入Newton TSC、展示World-Behavior-Eval完整系统以及构建庞大的生态网络，证明了其已从“工具使用者”进化为“规则制定者”。尽管Physical AI仍面临从仿真到现实的迁移挑战，但光轮智能所提供的坚实底座，正成为连接虚拟训练与物理世界的桥梁，为行业提供了前所未有的工程化路径。未来，围绕Physical AI基础设施的竞争将愈发激烈，而光轮智能有望成为像CUDA之于计算、Linux之于操作系统那样的行业基石。